FetchBench: A Simulation Benchmark for Robot Fetching

这段摘要讲述了机器人操控任务中的一个重要挑战——获取物品，包括接近、抓取和取回。现有的方法主要集中在桌面场景中，无法充分捕捉到既需要抓取又需要规划的环境中的复杂性。为了解决这个问题，作者提出了一个新的基准FetchBench，其中包含多样化的程序化场景，融合了抓取和运动规划的挑战。此外，FetchBench还包括一个数据生成管道，收集成功的获取轨迹，用于模仿学习方法。作者实现了多个基准模型，从传统的感知-规划-执行管道到端到端行为模型。实证分析表明，这些方法仅能达到最高20%的成功率，说明还有很大的改进空间。此外，作者还确定了感知-规划-执行管道中的关键瓶颈，并根据系统分析提出了建议。

论文提出了一个名为FetchBench的基准测试，旨在解决机器人操作任务中的抓取和规划挑战。当前的方法主要集中在桌面场景中，而无法充分捕捉到同时需要抓取和规划的环境的复杂性。

FetchBench是一个包含多个程序场景的基准测试，这些场景集成了抓取和运动规划挑战。此外，FetchBench还包括一个数据生成管道，用于收集成功的获取轨迹，以供模仿学习方法使用。

论文实现了多个基线，从传统的感知-计划-执行管道到端到端行为模型。实验分析表明，这些方法的最大成功率仅为20％，表明有很大的改进空间。此外，论文还确定了感知-计划-执行管道中的关键瓶颈，并根据系统分析提出了建议。

最近在这个领域中，还有一些相关的研究，例如《Deep Reinforcement Learning for Robotic Manipulation with Asynchronous Off-Policy Updates》和《Dex-Net 4.0: Learning to Plan Robust Grasps with Synthetic Point Clouds and Analytic Grasp Metrics》。